集合种群与全球传播

在城市、国家尺度上追踪每个人的接触既不可能也无必要。集合种群模型（metapopulation model，又译复合种群模型）把人群分成若干“斑块”（城市、社区、医院），斑块内均匀混合，斑块之间通过人员流动耦合。网络的节点是斑块，边是流动通量 $w_{mn}$。

模型结构

以 SIR 为例，斑块 $n$ 中的感染人数满足

$$\frac{dI_n}{dt}=\beta\frac{S_nI_n}{N_n}-\mu I_n+\sum_m\big(p_{mn}I_m-p_{nm}I_n\big),$$

$p_{nm}$ 是 $n$ 中个体单位时间去往 $m$ 的概率。实际中，旅行者只占人口的很小比例，流动项对局部动力学影响很小，但决定了疾病能否以及何时到达新的斑块。

• 全球航空网络。Hufnagel、Brockmann 与 Geisel（2004）在全球主要机场之间的航空网络上模拟 SARS 的扩散；Colizza 等（2006，PNAS）系统分析航空网络的度与流量异质性对全球流行可预测性的影响：流量的异质性使传播路径集中在少数主干航线上，反而提高了可预测性。
• 多尺度流动。Balcan 等（2009，PNAS）在 GLEaM（全球流行与流动）模型中同时纳入航空与地面通勤，发现短程通勤流量虽然大，但全球扩散的时间格局主要由航空网络决定，通勤主要影响局部同步。
• 入侵阈值。Colizza 与 Vespignani（2007，PRL）指出，即使每个斑块内部 $R_0>1$，若旅行率太低，感染者在恢复前离开斑块的期望人数不足，疾病也可能无法在斑块间扩散。这给出第二个阈值——斑块层面的全局入侵阈值 $R_*>1$；$R_*$ 随旅行率与 $R_0-1$ 增大而增大，并且同样被斑块网络的度异质性降低。它对应的干预就是限制旅行。

有效距离

Brockmann 与 Helbing（2013，Science）发现，若把地理距离换成由流量定义的有效距离

$$d_{mn}=1-\ln P_{mn},\qquad P_{mn}=\frac{w_{mn}}{\sum_{m'}w_{m'n}},$$

（$w_{mn}$ 为从 $n$ 到 $m$ 的旅客流量，$P_{mn}$ 为离开 $n$ 的旅客中去往 $m$ 的比例），那么从源头出发、沿最短有效路径计算的距离与疾病到达时间近似成正比，复杂的全球扩散图案变成了从源头出发的“同心圆波”。两个直接应用：（1）即使不知道 $R_0$ 等参数，也能预测各地的相对到达顺序；（2）若源头未知，可以找一个使到达时间与有效距离最一致的节点作为候选源头（见传播溯源）。他们用 2009 年 H1N1 流感与 2003 年 SARS 的数据验证了这一方法。代码示例在随机流动网络上重现了这一现象：到达时间与有效距离的相关系数约 0.88，与跳数距离只有约 0.61（代码）。

更细的流动网络。Chang 等（2021，Nature）用手机定位数据构建美国 10 个大都市区的“社区—兴趣点”（餐馆、宗教场所等）二分流动网络，覆盖约 9800 万人，在其上运行集合种群 SEIR 模型。模型拟合了实际病例曲线，并预测少数“超级传播地点”贡献了大部分感染、限制每个地点的最大容纳人数比整体按比例减少出行更有效，还仅凭流动模式的差异就解释了弱势群体更高的感染率。

流行病预测

Barabási 第 10.7 节讨论的“实时预测”通常结合三部分：（1）集合种群或个体模型；（2）由早期病例数据校准的参数（$R_0$、代际间隔，见再生数与超级传播）；（3）大量随机模拟给出的预测区间。预测的可靠性有天然上限：早期的随机性（谁先被感染、是否发生超级传播事件）、行为改变与干预措施都会使轨迹偏离模型。因此，到达时间与传播顺序通常比病例数峰值更容易预测。